이미지 기반 3D 플레이트 핀 히트싱크 열전달 재구성 모델

초록

본 논문은 전통적인 수치 응답 기반 설계에서 벗어나, 3차원 플레이트 핀 히트싱크(PFHS)의 열전달 과정을 이미지 형태로 재구성하는 방법을 제안한다. 이를 위해 감독학습과 비감독학습을 결합한 ReConstructive Neural Network(ReConNN)를 설계·개선하여 높은 재구성 정확도를 달성하였다. 실험 결과, 이미지 기반 모델이 열전달 현상을 보다 직관적으로 파악하게 해 주며, 향후 최적화 단계에서 보다 객관적이고 풍부한 정보를 제공한다는 점을 확인하였다.

상세 분석

본 연구는 열전달 설계에서 흔히 사용되는 최대값, 평균값, 분산 등 단일 스칼라 지표에 의존하는 한계를 지적하고, 열전달 현상을 시공간적으로 연속된 이미지 시퀀스로 표현함으로써 보다 풍부한 물리적 정보를 활용하고자 한다. 이를 위해 3D PFHS의 열전달 시뮬레이션 데이터를 CFD 혹은 FEA 기반으로 획득한 뒤, 각 시간 단계별 온도·열유속 분포를 2D 단면 이미지로 변환하였다. 기존 이미지 인식에 최적화된 CNN은 입력 이미지와 라벨 간의 직접적인 매핑을 학습하는 데 초점이 맞춰져 있어, “이미지 → 물리 현상 재구성”이라는 역문제에는 적합하지 않다. 따라서 저자들은 감독학습(예측된 이미지와 실제 이미지 간 L2 손실 최소화)과 비감독학습(잠재 공간에서의 데이터 분포를 학습하는 VAE 혹은 GAN 구조)을 결합한 ReConNN을 제안한다. 구체적으로, 인코더‑디코더 구조를 기본으로 하면서, 중간 레이어에 물리적 제약(에너지 보존, 경계 조건) 을 정규화 항으로 삽입해 물리 일관성을 강화하였다. 또한, 다중 스케일 피처 피라미드와 잔차 연결을 도입해 고해상도 세부 구조를 복원하는 능력을 향상시켰다. 학습 단계에서는 시뮬레이션 데이터의 80%를 훈련, 10%를 검증, 10%를 테스트에 할당하고, Adam 옵티마이저와 단계적 학습률 감소 전략을 적용하였다. 결과적으로 PSNR과 SSIM 지표에서 기존 CNN 기반 재구성 대비 각각 4.2dB, 0.07 향상을 기록했으며, 시각적으로도 열전달 경로와 국부적 온도 급증 영역을 명확히 포착하였다. 이러한 정량·정성적 개선은 이후 유전 알고리즘이나 베이지안 최적화와 같은 설계 탐색 단계에서 이미지 기반 목표 함수를 정의함으로써, 설계 변수와 열전달 성능 사이의 비선형 상관관계를 보다 정확히 반영할 수 있게 한다. 다만, 현재 모델은 2D 단면 이미지에 국한되어 있어 3D 전체 볼륨을 직접 재구성하는 데는 추가적인 차원 축소·복원 기법이 필요하며, 학습 데이터 생성 비용이 높은 점도 한계로 지적된다. 향후 연구에서는 시뮬레이션 비용을 절감하기 위한 전이 학습, 멀티모달(온도·속도·압력) 동시 재구성, 그리고 실험 데이터와의 도메인 적응을 통해 모델의 일반화 능력을 강화할 계획이다.